AI dalam Insurans: Sistem Bersatu, Agen Lebih Untung

Angka yang ramai pemilik agensi tak jangka: agensi yang konsisten menggunakan sistem pengurusan bersepadu dilaporkan mencapai pertumbuhan 24% tahun ke tahun. Bukan sebab mereka bekerja lebih lama—tetapi sebab kerja “leceh” yang makan masa (salin data, follow-up manual, cari semula rekod klien) mula diambil alih oleh automasi dan AI.

Menjelang hujung 2025, tekanan pasaran insurans makin jelas: pelanggan makin sensitif harga, pembaharuan (renewal) makin “ketat”, staf baru susah nak capai tahap produktif dengan cepat, dan pematuhan data makin cerewet. Dalam siri “AI dalam Insurans dan Pengurusan Risiko”, saya suka angkat contoh dunia sebenar—bukan teori. Satu contoh yang menarik datang daripada apa yang agen banyak puji dalam ekosistem platform agensi seperti EZLynx: platform bersatu + automasi + pembantu AI.

Artikel ini bukan ulasan produk semata-mata. Saya akan guna idea dan data daripada amalan agen (seperti kadar retention lebih tinggi dan penjimatan masa automasi) untuk jelaskan apa yang sebenarnya berfungsi, bagaimana ia berkait dengan underwriting, penilaian risiko, dan pengurusan tuntutan—serta apa langkah praktikal jika anda nak bawa pendekatan serupa ke agensi atau organisasi insurans anda.

1) Platform bersatu: asas AI yang ramai pandang remeh

Jawapan terus: AI hanya “pandai” bila data anda tersusun dan mengalir dalam satu sistem. Platform bersatu (all-in-one) bukan kosmetik; ia prasyarat untuk automasi, analitik ramalan, dan keputusan risiko yang konsisten.

Ramai agensi masih hidup dengan gabungan:

• satu sistem untuk pelanggan,
• satu untuk sebut harga,
• satu untuk emel,
• dan spreadsheet yang “jadi tempat semua benda jatuh”.

Masalahnya bukan sekadar serabut. Masalahnya ialah data jadi berulang, bercanggah, dan lambat bergerak. Dalam pengurusan risiko, kelewatan 24 jam pun boleh bermakna peluang cross-sell terlepas, pelanggan sempat minta sebut harga di tempat lain, atau pembaharuan jadi reaktif.

Mengapa “satu profil pelanggan” itu besar kesannya

Apabila akaun peribadi dan komersial boleh dipautkan dalam satu profil, anda dapat nampak:

• pendedahan risiko (risk exposure) yang saling berkait (cth: pemilik SME yang ada polisi motor komersial dan rumah),
• peluang cross-selling yang relevan,
• sejarah komunikasi yang lengkap.

Ini terus menyokong dua benda besar dalam AI insurans:

1. Segmentasi pelanggan (AI boleh cadangkan tawaran/produk paling sesuai).
2. Keutamaan kerja (work prioritization)—contohnya siapa patut dihubungi dulu kerana risiko churn lebih tinggi.

Satu ayat yang saya pegang: “AI yang paling menguntungkan ialah AI yang duduk atas data yang paling kemas.”

2) Retention: AI bukan sekadar cari pelanggan baru—ia jaga pelanggan sedia ada

Jawapan terus: Sistem retention yang beri “amaran awal” pembaharuan boleh menaikkan kesetiaan pelanggan secara ketara; contoh yang dikongsikan ialah +8 mata retention polisi berbanding agensi yang tak guna alat retention.

Dalam pasaran yang pelanggan kerap banding harga, retention bukan kerja hujung tahun. Ia kerja harian.

Apa maksud “insight harian” untuk renewal

Bila anda dapat paparan harian tentang polisi yang akan tamat tempoh, perubahan kadar, dan status tindak lanjut, anda boleh:

• kesan kenaikan premium lebih awal,
• mulakan shopping pasaran sebelum pelanggan “panas”,
• susun naratif nilai (coverage vs harga) dengan lebih baik.

Dari sudut AI dalam pengurusan risiko, ini hampir sama dengan konsep early warning system:

• AI/analitik menandakan akaun berisiko tinggi untuk churn (cth: premium naik banyak, kerap aduan, engagement rendah).
• Automasi mencetuskan tugasan, peringatan, dan kempen emel.
• Agen fokus pada perbualan bernilai tinggi, bukan mengejar senarai.

Skrip kerja (workflow) retention yang saya cadangkan

Kalau anda nak tiru pendekatan yang berkesan, gunakan aliran mudah ini:

1. 60–90 hari sebelum tamat: semak perubahan premium & risiko.
2. 45 hari: hubungi klien berisiko tinggi dulu (berdasarkan segmen/saiz akaun/nilai seumur hidup).
3. 30 hari: automasi emel + peringatan WhatsApp/SMS (ikut dasar pematuhan).
4. 14 hari: eskalasi panggilan untuk yang belum respon.
5. 7 hari: tawaran alternatif + ringkasan manfaat (mudahkan keputusan).

Ini nampak biasa, tapi beza besar ialah konsistensi. Automasi memastikan ia berlaku setiap minggu—walaupun staf cuti.

3) Komersial (SME): automasi submission bantu underwriting jadi lebih cepat

Jawapan terus: Untuk lini komersial kecil dan sederhana, titik sakit paling besar ialah masa dari quote ke pembentangan. Alat submission yang lebih tersusun memendekkan kitaran itu dan mengurangkan “teka-teka” dokumen.

Bila sebut “AI dalam underwriting”, ramai terus fikir model yang rumit. Tapi realitinya, banyak kelewatan underwriting bermula daripada:

• maklumat tak lengkap,
• dokumen tak standard,
• soalan berulang,
• staf perlu “kejar” klien berkali-kali.

Bagaimana workflow submission selari dengan AI underwriting

Apabila borang, data pendedahan, dan lampiran dokumen disusun secara sistematik:

• underwriter dapat data yang lebih konsisten,
• triage risiko jadi lebih mudah,
• peluang ralat manusia turun.

Dalam konteks pengurusan risiko, ini memberi kesan langsung:

• lebih cepat keluarkan sebut harga,
• lebih cepat mengikat polisi (bind),
• lebih kecil risiko adverse selection kerana proses terlalu lambat.

Contoh situasi tempatan: SME makanan & minuman yang nak perlindungan liabiliti dan kebakaran. Jika data premis, operasi, SOP keselamatan dan rekod tuntutan boleh dihantar dalam format yang jelas sejak awal, perbualan dengan underwriter berubah daripada “data kurang” kepada “risk improvement”—itu yang mempercepat keputusan.

4) Pembantu AI (seperti EVA): menang di komunikasi, onboarding, dan servis

Jawapan terus: Pembantu AI yang boleh menulis draf emel, jawab pertanyaan servis, dan merumuskan akaun pelanggan mengurangkan masa kerja pentadbiran serta mempercepat onboarding staf baru.

Saya suka fokus pada tiga kegunaan AI yang paling “realistik” untuk agensi:

1) Draf emel yang konsisten (tanpa bunyi robot)

AI boleh hasilkan draf emel mengikut:

• panjang,
• nada (lebih formal untuk korporat, lebih mesra untuk individu),
• subjek spesifik.

Nilainya bukan sekadar cepat. Nilainya ialah standard servis jadi seragam walaupun staf berbeza.

2) “Content assist” untuk latihan staf

Beban latihan staf baru biasanya memakan masa senior. Jika pembantu AI boleh beri arahan langkah demi langkah dalam sistem—staf baru cepat berdikari.

Ini sangat relevan hujung tahun (musim renewal) apabila kapasiti pasukan tegang dan masa untuk “hand-holding” memang terhad.

3) Ringkasan akaun pelanggan sebelum panggilan

Bila AI boleh ringkaskan:

• emel,
• mesej,
• nota panggilan,
• log aktiviti,

…agen boleh masuk panggilan dengan konteks penuh dalam 30–60 saat. Dalam pengurusan tuntutan juga, ringkasan kronologi komunikasi membantu kurangkan salah faham dan mempercepat resolusi.

Prinsip praktikal: AI patut memendekkan masa “cari maklumat”, supaya manusia boleh guna masa untuk “buat keputusan”.

5) Automasi: 558 jam sebulan bukan “kosmetik”, itu kapasiti sebenar

Jawapan terus: Automasi yang baik boleh menjimatkan sekitar 558 jam sebulan (purata yang dikongsikan), dan jam itu biasanya berubah menjadi kapasiti untuk jualan, servis bernilai tinggi, dan pengurusan risiko yang lebih proaktif.

Mari tukar nombor itu kepada realiti operasi:

• 558 jam/bulan ≈ 69.75 hari kerja (andaikan 8 jam/hari)
• atau ≈ 3–4 staf sepenuh masa setara, bergantung struktur agensi

Kalau anda rasa angka itu besar, tengok di mana masa biasanya “bocor”:

• follow-up renewal manual,
• peringatan dokumen,
• status tuntutan,
• tugasan selepas panggilan,
• kempen emel asas.

Automasi yang masih terasa “personal”

Ramai takut automasi buat servis jadi dingin. Saya tak setuju—kalau dibuat dengan betul, automasi cuma mengurus rutin. Hubungan manusia masih berlaku pada saat penting:

• bila premium naik,
• bila tuntutan berlaku,
• bila risiko berubah (cth pindah premis, tambah aset, tambah pekerja).

Gunakan automasi untuk:

• peringatan tarikh,
• semakan dokumen,
• susulan “tiada respons”,
• kempen pendidikan ringkas (cth tips mengurangkan risiko banjir/pecah paip).

Dan simpan sentuhan manusia untuk:

• rundingan coverage,
• cadangan pelan risiko,
• keputusan trade-off.

Soalan lazim: “Patut mula dari AI atau dari sistem?”

Jawapan saya: mula dari sistem dan data, kemudian baru tambah AI.

Urutan yang biasanya paling selamat (dan cepat nampak hasil):

1. Satukan data pelanggan & polisi dalam satu tempat.
2. Standardkan proses renewal dan servis (SOP ringkas pun cukup).
3. Hidupkan automasi untuk tugasan berulang.
4. Tambah AI untuk komunikasi, ringkasan akaun, dan cadangan tindakan.
5. Ukur KPI: retention, masa kitaran quote-to-bind, produktiviti staf, NPS/CSAT.

Kalau terbalik (mula dengan AI tanpa data kemas), anda akan dapat AI yang “pandai menulis”, tapi tak pandai membantu operasi.

Penutup: AI yang menang ialah AI yang buat anda proaktif

Pendekatan yang dipuji agen—platform bersatu, alat retention, workflow komersial yang kemas, pembantu AI, dan automasi—sebenarnya bercerita tentang satu perkara: beralih daripada kerja reaktif kepada kerja proaktif. Dalam dunia insurans, proaktif itu nilai. Ia mengurangkan churn, mempercepat underwriting, dan membantu pengurusan tuntutan jadi lebih teratur.

Jika anda serius dengan agenda AI dalam insurans dan pengurusan risiko, pilih satu proses untuk dibaiki minggu ini: pembaharuan, submission komersial, atau servis tuntutan. Automasi satu langkah. Susun data satu tempat. Kemudian barulah masukkan AI untuk mempercepat komunikasi dan keputusan.

Anda nak AI membantu pasukan anda “kerja lebih laju”, atau membantu anda buat keputusan lebih baik—sebelum pelanggan buat keputusan untuk pergi?